xdgadd

Воспользуйтесь CNN. На данный момент (и, скорее всего, навсегда) никакие алгоритмические методы не могут сравниться с нейронками.

Хороший пример распознавания цифр из MNIST'a на Keras'e можно посмотреть тут.

>Стэмминг
Воспользуйтесь SnowballStemmer'ом из библиотеки nltk и выделите корень для каждого слова из вашего датасета, добавляя результат в set.
>замена одинаковых слов числами по словарику
Создайте словарь, где каждому слову из множества соответствует свое число, что-то вроде:

words = {w: i for i, w in enumerate(set_of_stemmed_words)}

Далее вам нужно представить каждое предложение из датасета в виде списка токенов, в данном случае - с помощью словаря words. После этого вы готовы обучать свою модель, ура!

Впрочем, я хочу отметить, что такое представление слов (гуглите word embeddings) является не самой лучшей идеей, потому что сеть может сделать "ошибочные выводы" о важности или близости слов, руководствуясь величиной их токена. Гораздо эффективнее использовать вектора, полученные с помощью word2vec'а или TF-IDF etc.

UPD.
На коленке сделал для вас тетрадку. Подтяните для начала теорию в области машинного обучения в общем, а потом уже беритесь за нейросети. Начать можно вот с этой замечательной статьи.

> математика используется там, где могла бы не использоваться
Машинное обучение == математика. Любая модель из машоба представляет из себя оптимизируемую разными методами (чаще всего - градиентым спуском) функцию(простите за такое упрощение). Без математики максимум - это слепо тыкать модельки из интернета и тюнить гиперпараметры.

> желательно в текстовой форме ... "быстрый старт"
MNIST за 5 минут с помощью Keras.

Reinforcment Learning
gym.openai.com

Гуглите NLP, text preprocessing и word embeddings. Способов много и зависят они от архитектуры модели, вашей задачи, типа и качества текста.
Алсо, в керасе есть embedding layers, через них можно пропускать уже готовые вектора, e.g. word2vec, OHE.

P.S. Для большей гибкости рекомендую вам попробовать Lasagne или Tensorflow. Keras хорош, когда задачу нужно решить быстро, с минимумом кода и теории. А для экспериментов и обучения лучше использовать более близкие к "железу"(менее абстрактные) инструменты.

Классический MNIST