파라미터 ~ 가중치(weight) ~ 모델 이 좀 비슷하게 사용되는 분위기 입니다.
콕 집어 말하면 파라미터는 모델을 구성하는 숫자 하나하나를 가리키는 경우가 많구요.

예를 들어 어떤 길이로 오징어와 쭈꾸미를 구분한다면 10cm 라는 기준을 제시할 수 있어요
즉, 몸통길이가 10cm 보다 크다면 오징어, 그것보다 작거나 같다면 쭈꾸미 (그럴싸한 다른 수많은 기준은 여기서는 무시)
그 10cm라는게 바로 파라미터가 되는 셈입니다. (가중치라는 표현은 딥러닝 계산 방식때문에 통하는 말인데 파라미터와 같은 의미로 받아들여도 될 듯 합니다.)

근데 AI(여기서는 딥러닝)에서는 그렇게 심플한 기준으로는 고성능을 내지 못하므로(10cm 미만의 새끼 오징어는 어쩔..) 이러저러한 기준들을 수백만개~수억개로 늘려서 정밀하게 만든 것이죠
그러니 그냥 길이 뿐 아니라, 색깔의 rgb값, 표면에 보이는 패턴, 빨판 크기...등등을 알아서 다 고려하다 보니 파라미터가 늘어나는 것이 됩니다. 이것은 설명을 하기 위한 예 입니다.

하이퍼파라미터라는 용어도 있는데 이건 파라미터와는 안드로메다와 지구 거리 만큼의 의미차이가 있습니다.
그냥 모델 학습 세팅값이라고 생각하면 되요. 지금은 많이 완화됐지만 아직 이 세팅은 사람의 경험을 통해 결정되고, 이 세팅에 의해 학습 성능이 좌우되는 면이 있습니다.