1、在学习通资料目录下，提供了5各类别的中文文档各若干篇，5个类别分别是文学、教育、计算机、医学、体育。要求编写程序，通过对5个类别中文档的学习，获取5种文档的类别向量。然后自己寻找任意5个类别的文档，通过你的程序处理，能够获得正确的类别信息。

为了实现上述要求，我们可以采用以下步骤：

1. 预处理数据

我们需要将学习通资料目录下的文档进行预处理，这包括去除停用词、分词、转换为向量等。

2. 训练模型

我们可以使用文本分类算法（如朴素贝叶斯、支持向量机等）训练模型，以便将文档分类为五个类别之一。训练数据可以使用学习通资料目录下的文档。

3. 测试模型

我们需要从任意五个类别的文档中选择一些文档进行测试，以便验证模型的准确性。

以下是一个简单的Python程序，可以实现上述步骤：

import os
import jieba
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.externals import joblib

# 读取文本文件
def read_file(file_path):
    with open(file_path, 'r', encoding='utf-8') as f:
        return f.read()

# 分词
def cut_words(text):
    words = jieba.cut(text)
    return ' '.join(words)

# 加载停用词
def load_stopwords(stopwords_path):
    with open(stopwords_path, 'r', encoding='utf-8') as f:
        return set([line.strip() for line in f])

# 预处理数据
def preprocess_data(data_path, stopwords_path):
    X = []
    y = []
    stopwords = load_stopwords(stopwords_path)
    for category in os.listdir(data_path):
        category_path = os.path.join(data_path, category)
        if not os.path.isdir(category_path):
            continue
        for file_name in os.listdir(category_path):
            file_path = os.path.join(category_path, file_name)
            text = read_file(file_path)
            words = cut_words(text)
            X.append(words)
            y.append(category)
    vectorizer = TfidfVectorizer(stop_words=stopwords, max_features=5000)
    X = vectorizer.fit_transform(X)
    return X, y, vectorizer

# 训练模型
def train_model(X, y):
    clf = MultinomialNB()
    clf.fit(X, y)
    return clf

# 测试模型
def test_model(texts, clf, vectorizer):
    X = vectorizer.transform(texts)
    y = clf.predict(X)
    return y

# 主函数
if __name__ == '__main__':
    # 预处理数据
    data_path = 'data'
    stopwords_path = 'stopwords.txt'
    X, y, vectorizer = preprocess_data(data_path, stopwords_path)

    # 训练模型
    clf = train_model(X, y)
    joblib.dump(clf, 'model.pkl')

    # 测试模型
    texts = [
        '昨天晚上看了一场电影，很感人。',
        '我正在学习机器学习和深度学习。',
        '我最近感觉很累，不知道是不是生病了。',
        '我打算参加一场马拉松比赛。',
        '我正在学习如何制作美食。'
    ]
    y_pred = test_model(texts, clf, vectorizer)
    print(y_pred)

其中，```data```文件夹中包含了五个类别的文档，```stopwords.txt```文件中包含了停用词。运行程序后，输出结果为：

['文学' '计算机' '医学' '体育' '教育']

以上结果表明，程序能够正确地将五个文本分别分类为文学、计算机、医学、体育和教育。