Abraham Hurtado abrahamhurtado

State en React

State es un feature fundamental de React. Cada componente puede almacenar su propio estado de manera isolada al resto y a partir de dicho estado, modificar el HTML que se muestra en pantalla.

State es lo que permite interacción en nuestras apps de React.

Pero State no tiene nada de especial, es simplemente un objeto plano de JavaScript donde describimos los datos que influyen en el render de nuestro componente.

React ya tiene mecanismos para manejar State: la función setState que está disponible en componentes escritos con clases y el Hook de useState, para componentes escritos como funciones.

CS no es sobre programación. La programación es solo una herramienta de CS.

CS se trata sobre resolver problemas.

Input -> (something something algorithm) -> Output

Abstractions

As long as you have two digits you can represent a lot of data.

	"[
	{
	\"id\": 0.3535231494106945,
	\"Product\": {
	\"id\": \"\",
	\"Name\": \"\"
	},
	\"Quality\": {
	\"ID\": \"d2b9d0b0-3ce9-4402-711b-5f0ecfb9d383\",
	\"Name\": \"PLAIN\"

	% MÉTRICAS PARA LOW COST
	disp('LOW COST');

	% Representación lógica de Verdaderos y Falsos.
	lc_verdaderos = (predicciones == 0) + (labels == 0);
	lc_verdaderos_positivos = sum(lc_verdaderos == 2);
	lc_verdaderos_negativos = sum(lc_verdaderos == 0);

	lc_falsos = (predicciones == 0) - (labels == 0);
	lc_falsos_positivos = sum(lc_falsos == 1);

	% renombramos las variables del dataset para su reutilización
	labels = LABELS;
	samples = SAMPLES;

	% matriz que contendrá todas las predicciones del algoritmo para cada
	% data point del set original
	predicciones = zeros(size(labels));

	% recorremos todo el dataset
	for i = 1:length(samples);

	# graph es diccionario de Python que representa
	# las materias de un plan de estudios y tiene la siguiente estructura
	# { claveMateria: [claveMateriaDependiente1, claveMateriaDependiente2, ..., claveMateriaDependienteN] }
	# la llave en el diccionario representa un nodo del grafo y el valor asociado son los nodos siguientes
	# por ejemplo, una sección de graph puede ser: { 6880: [6886, 6887] }, que significa que el camino de
	# la materia 6880 (Álgebra) es continuado por las materias 6886 y 6887 (Geometría y Matemáticas Discretas)

	# key es el nodo donde vamos a empezar por aplicar DFS
	def dfs(graph, key):
	# visited es una estructura de dato Set, que por defecto no permite la repetición de ningún elemento

	function [ Features ] = Create_Features(imagen, num_rows, num_cols)
	total_elems = num_rows * num_cols;
	Features = zeros(total_elems, 5);

	x = 1;
	y = 1;

	for i=1:total_elems
	Features(i,1) = x;
	Features(i,2) = y;

	% Cargamos el dataset con las siguientes variables
	% SAMPLES_FIXED_Kmeans_Deltas que son los datos
	% SAMPLES_FIXED_Kmeans_Labels contiene la clase asignada a cada regisro
	load('IA_Kmeans_Muestras.mat');

	% renombramos SAMPLES_FIXED_Kmeans_Deltas como dataset
	dataset = SAMPLES_FIXED_Kmeans_Deltas;

	% calculamos el número de clases en el dataset
	num_clases = size(unique(SAMPLES_FIXED_Kmeans_Labels), 1);