Processus d'optimisation des paramètres de configuration d'un modèle ML qui ne sont pas appris pendant l'entraînement (contrairement aux poids du modèle). Ces hyperparamètres — comme le learning rate, la profondeur des arbres, le nombre de couches, le taux de dropout — définissent l'architecture et le comportement d'apprentissage du modèle. GridSearch explore exhaustivement toutes les combinaisons (coûteux), RandomSearch tire aléatoirement (plus efficace), et les méthodes bayésiennes (Optuna, Hyperopt) apprennent des évaluations précédentes pour guider la recherche intelligemment. L'hyperparameter tuning peut doubler ou tripler les performances d'un modèle bien conçu.