Reglarea hiperparametrilor (hyperparameter tuning) este procesul prin care se selectează valorile optime ale hiperparametrilor unui model de învățare automată, pentru a maximiza performanța acestuia pe un set de date de validare. Hiperparametrii sunt variabile externe modelului (precum rata de învățare, numărul de straturi, dimensiunea batch-ului, numărul de epoci) care nu sunt învățate în timpul antrenării, ci trebuie definite manual sau automat înainte de antrenare.
Există mai multe metode de reglare, precum căutarea grid (grid search), căutarea aleatorie (random search) și tehnici mai avansate precum optimizarea bayesiană sau reglarea automată cu algoritmi genetici. Alegerea corectă a hiperparametrilor influențează semnificativ acuratețea, viteza de învățare și capacitatea de generalizare a unui model, fiind o etapă critică în construirea de sisteme AI eficiente și robuste.
