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。（本题属于文本的自动分类问题）并通过一定数量的文档测试，计算你的程序分类的准确率。

这是一个文本分类问题，可以使用机器学习中的朴素贝叶斯分类器进行解决。具体步骤如下：

1. 数据预处理：将每篇文档转化为一个向量，向量的每个维度代表一个词汇，该维度的值表示该词汇在该篇文档中出现的频率。

2. 训练分类器：使用训练集中的文档向量和对应的类别标签，训练朴素贝叶斯分类器。

3. 测试分类器：使用测试集中的文档向量，通过已经训练好的分类器，预测文档所属的类别。

4. 评估分类器：计算分类器的准确率，即分类器正确分类的文档数目占总文档数目的比例。

下面给出 Python 代码实现：

import os
import jieba
import numpy as np
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import accuracy_score

# 定义常量
data_dir = './data'
stopwords_path = './stopwords.txt'
category_names = ['文学', '教育', '计算机', '医学', '体育']

# 加载停用词
stopwords = set()
with open(stopwords_path, 'r', encoding='utf-8') as f:
    for line in f:
        stopwords.add(line.strip())

# 加载语料库，构建训练集和测试集
train_data = []
train_labels = []
test_data = []
test_labels = []

for i, category_name in enumerate(category_names):
    category_dir = os.path.join(data_dir, category_name)
    file_names = os.listdir(category_dir)
    for j, file_name in enumerate(file_names):
        with open(os.path.join(category_dir, file_name), 'r', encoding='utf-8') as f:
            content = f.read()
            words = [word for word in jieba.cut(content) if word not in stopwords]
            if j < 3:
                test_data.append(words)
                test_labels.append(i)
            else:
                train_data.append(words)
                train_labels.append(i)

# 构建词汇表
vocab = set()
for document in train_data:
    vocab |= set(document)
vocab = list(vocab)
vocab.sort()

# 构建文档向量
def document2vector(document, vocab):
    vector = np.zeros(len(vocab))
    for word in document:
        if word in vocab:
            vector[vocab.index(word)] += 1
    return vector

train_vectors = np.array([document2vector(document, vocab) for document in train_data])
test_vectors = np.array([document2vector(document, vocab) for document in test_data])

# 训练朴素贝叶斯分类器
clf = MultinomialNB()
clf.fit(train_vectors, train_labels)

# 测试分类器
predicted_labels = clf.predict(test_vectors)

# 评估分类器
accuracy = accuracy_score(test_labels, predicted_labels)
print('Accuracy:', accuracy)

上面的代码中，我们使用 jieba 库对文档进行分词，使用 sklearn 库中的 MultinomialNB 类实现朴素贝叶斯分类器。在构建训练集和测试集时，我们采用了简单的留出法，即对每个类别的前三个文档作为测试集，其余文档作为训练集。在构建文档向量时，我们使用了词频作为特征。

在测试时，你可以将任意五个文档放到 `./data` 目录下，分别属于五个类别中的任意五个，然后运行上面的代码，即可得到这五个文档的正确类别信息。在评估分类器时，你可以使用更多的文档进行测试，计算分类器的准确率。