各位看官一看到题目可能觉得楼主你是不是脑子瓦特了？傅里叶变换明明是通信专业的概念，或者说高等数学的概念也行啊，咋和机器学习扯上了？确实傅里叶变换是通信或者高等数学里的概念，但在机器学习里也是会用到的，现在机器学习这么火，不蹭个热度你们这些投机倒把的家伙会花时间看吗？
     好了，废话说一堆，正式开始。事实上，在很多机器学习很多领域都需要用到傅里叶变换，例如图像或声音的数字信号通常在时域上是连续的不具有稀疏性，但经过傅里叶变换、余弦变换、小波变换等处理手段后会转换为频域上的稀疏信号。因此，傅里叶变换在机器学习的稀疏编码中有着重要作用。什么？稀疏编码是啥？首先讲一下特征选择，考虑到现有数据的很多特征（列）与现在的学习任务无关，要从这些特征里找出对解决这个学习问题最有用的特征组合叫特征选择，再来讲一下稀疏性，就是数据集中存在很多0元素，但这些0元素不是以整列或整行存在，比如文档分类数据中每个字（词）出现的频率，而稀疏编码就是将稠密的数据转换为合适的稀疏形式，比如稠密的图像音频数据等。你们这群小婊砸现在了解傅里叶变换的作用了吧！还是蒙圈的？那还不赶紧继续往下看！
       鉴于本人其实也是一个懒癌患者，所以找到一篇神文给大家解释什么是傅里叶变换，时域与频域的关系等等，保证全文无需数学基础可看懂，看不懂来掐死我啊！链接如下：
傅里叶分析之掐死教程（完整版）更新于2014.06.06