Merge pull request #7 from jiangzhonglian/v0.1.0

修改标题格式

doc/zh/api.md

----
-id: api
-title:API
----
+# API
 
 我们使用 doxygen 自动生成我们的 [API documentation](/docs/en/html/index.html).

doc/zh/cheatsheet.md

----
-id: cheatsheet
-title: Cheatsheet
----
+# Cheatsheet(备忘单)
 
 ## Word representation learning(词表示学习)
 

doc/zh/crawl-vectors.md

----
-id: crawl-vectors
-title: Word vectors for 157 languages
----
+# 157种语言的词向量
 
 我们发布了之前训练的 157 种语言的词向量，这些词向量是用 fasttext 在 [*Common Crawl*](http://commoncrawl.org/) 和 [*Wikipedia*](https://www.wikipedia.org) 上训练得出的
 

doc/zh/dataset.md

----
-id: dataset
-title: Datasets
----
+# 数据集
 
 [下载 YFCC100M 数据集](https://fb-public.box.com/s/htfdbrvycvroebv9ecaezaztocbcnsdn)

doc/zh/english-vectors.md

----
-id: english-vectors
-title: English word vectors
----
+# 英文单词向量
 
 这一篇整合了一些之前用 fasttext 训练的词向量。
 

doc/zh/faqs.md

----
-id: faqs
-title:FAQ
----
+# 常问问题
 
 ## 什么是 fastText? 有教程吗?
 

doc/zh/language-identification.md

----
-id: language-identification
-title: Language identification
----
+# 语言识别
 
 ### 说明
 

doc/zh/options.md

----
-id: options
-title: List of options
----
+# 选项列表
 
 调用不带参数的命令来列出可用参数及其默认值:
 

doc/zh/pretrained-vectors.md

----
-id: pretrained-vectors
-title: Wiki word vectors
----
+# 维基词向量
 
 我们正在为 294 种语言发布预训练的单词向量, 并使用 fastText 在 [*维基百科*](https://www.wikipedia.org) 上进行了训练. 这些 300 维的向量是通过使用 [*Bojanowski 等人 (2016)*](https://arxiv.org/abs/1607.04606) 描述的 skip-gram 模型（使用: 默认参数）获得的.
 

doc/zh/references.md

----
-id: references
-title: References
----
+# 参考
 
 如果使用此代码学习词语表示, 请引用 [1](#enriching-word-vectors-with-subword-information); 如果使用文本分类, 请引用 [2](#bag-of-tricks-for-efficient-text-classification)。
 

doc/zh/supervised-models.md

----
-id: supervised-models
-title: Supervised models
----
+# 监督模型
 
 这个页面收集了几个预先训练好的监督模型，其训练数据来自于几个不同的数据集。
 

doc/zh/supervised-tutorial.md

----
-id: supervised-tutorial
-title: Text classification
----
+# 文本分类
 
 文本分类是许多应用程序的核心问题，例如垃圾邮件检测，情感分析或智能回复。 在本教程中，我们将介绍如何使用fastText工具构建文本分类器。
 

doc/zh/support.md

----
-id: support
-title: Get started
----
+# 快速入门
 
 ## 什么是快速文本?
 

doc/zh/unsupervised-tutorials.md

----
-id: unsupervised-tutorial
-title: Word representations
----
+# 词语表达
+
 现代机器学习中的一个普遍观点是用向量表示单词。这些向量获取有关语言的隐藏信息，如词类或语义。它也被用来提高文本分类器的性能。
 
 在本教程中，我们将演示如何使用 fastText 来构建这些词向量。需要下载并安装 fastText，请按照[文本分类教程](https://fasttext.cc/docs/en/supervised-tutorial.html)的第一步进行操作。