ANN并非总是需要有标记的数据。无监督学习方法如自编码器(Autoencoder)和聚类(Clustering)可以用于无标签数据的训练。以下是一个示例，演示如何使用Python和Keras库来构建一个简单的自编码器：

from keras.layers import Input, Dense
from keras.models import Model

# 定义输入层
input_data = Input(shape=(n_features,))
# 定义编码器层
encoded = Dense(encoding_dim, activation='relu')(input_data)
# 定义解码器层
decoded = Dense(n_features, activation='sigmoid')(encoded)

# 定义自编码器模型
autoencoder = Model(input_data, decoded)

# 定义编码器模型
encoder = Model(input_data, encoded)

# 定义解码器输入层
encoded_input = Input(shape=(encoding_dim,))
# 定义解码器层
decoder_layer = autoencoder.layers[-1]
# 定义解码器模型
decoder = Model(encoded_input, decoder_layer(encoded_input))

# 编译模型
autoencoder.compile(optimizer='adadelta', loss='binary_crossentropy')

# 训练模型
autoencoder.fit(x_train, x_train,
                epochs=50,
                batch_size=256,
                shuffle=True,
                validation_data=(x_test, x_test))

在上面的代码中，编码器将输入数据压缩为比输入数据小的特征向量，然后解码器将这个特征向量重构回原始输入数据。训练过程中使用的是二元交叉熵(binary cross-entropy)作为损失函数，优化器为adadelta。

这个自编码器可以被用于无监督的特征学习或数据压缩。如果有可用的无标签数据，就可以使用这个方法。