機械学習モデルの学習前に決定する値（学習率、層数、正則化項など）を調整するプロセス。モデルの学習方法や構造を制御し、汎化性能を向上させるために行う。グリッドサーチやランダムサーチといった手法が用いられる。
モデルやアルゴリズムの性能を最適化するための広範な調整作業。パラメータだけでなく、特徴量選択、モデル選択、アルゴリズムの詳細設定まで含む。試行錯誤を通じて最適な設定を追求するプロセス全体を指す。
ハイパーパラメータ調整は機械学習において学習前に決める値の最適化に限定的。パラメータチューニングはより広義で、複数の調整要素を含み、エンジニアリング的な最適化全体を指す。ハイパーパラメータ調整は体系的・科学的手法を用いるが、パラメータチューニングは経験的試行錯誤も含む。
機械学習の文脈では「ハイパーパラメータ調整」が正確。一般的な最適化全体を指す場合は「パラメータチューニング」を使う。学習前の設定値に限定する場合は前者、より広い改善活動を指す場合は後者。