Para entender o que são hiperparâmetros em Aprendizado de Máquina, é importante saber que eles são configurações que não são aprendidas diretamente pelo modelo durante o treinamento, mas sim definidas antes do processo de treinamento. Esses hiperparâmetros podem influenciar significativamente o desempenho do modelo. Vamos analisar as alternativas: a) Dados usados exclusivamente para validação de modelos. - Incorreto, pois hiperparâmetros não são dados, mas sim configurações. b) Parâmetros internos ajustados automaticamente pelo modelo. - Incorreto, pois isso se refere a parâmetros que o modelo aprende durante o treinamento, não a hiperparâmetros. c) Configurações ajustadas manualmente para otimizar o desempenho do modelo. - Correto, pois hiperparâmetros são, de fato, configurações que podem ser ajustadas manualmente para melhorar o desempenho do modelo. d) Algoritmos que substituem redes neurais. - Incorreto, pois hiperparâmetros não são algoritmos. e) Variáveis fixas em datasets de treinamento. - Incorreto, pois hiperparâmetros não são variáveis do dataset, mas sim configurações do modelo. Portanto, a alternativa correta é: c) Configurações ajustadas manualmente para otimizar o desempenho do modelo.