Scoras Academy

Sobre o curso

O que é Scoras Academy de Anderson Amaral?

 

Scoras Academy é uma plataforma de formação continuada criada por Anderson Amaral — especialista em ciência de dados e inteligência artificial com alunos empregados em empresas como PicPay, Itaú, BTG, Nubank, Stone, Deloitte, Santander e Telefônica — voltada para profissionais técnicos que querem dominar as arquiteturas mais avançadas e atuais de IA: Agentes de IA, LLMs, SLMs, LangGraph, PydanticAI, RAG, MCP e Agentic Workflows.

 

O diferencial central da Scoras Academy em relação a cursos genéricos de IA é o foco técnico com código desde a primeira aula. Não é uma formação de “use ChatGPT” — é uma formação para quem quer construir agentes, desenvolver sistemas inteligentes e dominar os frameworks que o mercado de dados e IA mais valoriza atualmente.


O que você vai aprender na Scoras Academy:

 

  • Dominar os fundamentos e a arquitetura técnica dos LLMs — como funcionam os Large Language Models por dentro, desde os conceitos básicos até os fundamentos técnicos avançados (tokenização, embeddings, fine-tuning, inferência e arquiteturas)
  • Desenvolver Agentes de IA com frameworks modernos — LangGraph, PydanticAI e LangChain aplicados à construção de agentes estruturados, seguros e escaláveis com memória, estado, roteamento e streaming
  • Construir sistemas RAG (Retrieval Augmented Generation) — como combinar busca e geração para criar sistemas que respondem com base em documentos reais, integrando DuckDB, MongoDB e técnicas avançadas de recuperação
  • Implementar o Model Context Protocol (MCP) com AWS — o protocolo que está se tornando padrão para integração de modelos com ferramentas externas, aplicado em ambiente de nuvem real
  • Usar Small Language Models (SLMs) em produção — como aplicar modelos leves e eficientes com alto desempenho, baixo custo e controle total sobre a infraestrutura
  • Aplicar IA em projetos práticos com código adaptável — automações inteligentes, NL2SQL, agentes multimodais e arquiteturas Agentic Workflows aplicados em casos reais documentados

Diferenciais do curso:

 

  • Código desde a primeira aula — todos os cursos são orientados à implementação real; o aluno sai de cada módulo com código adaptável para usar no próprio trabalho
  • Cobertura das tecnologias mais atuais do mercado técnico de IA — LangGraph, PydanticAI, MCP, SLMs, RAG e Agentic Workflows em cursos específicos, não como menção superficial dentro de um conteúdo genérico
  • Repositório GitHub exclusivo por curso — scripts detalhados e materiais extras que o aluno pode clonar, adaptar e usar em projetos reais desde o início da formação
  • Alunos em empresas de referência — PicPay, Itaú, BTG, Nubank, Stone, Deloitte, Santander e Telefônica entre as empresas que já têm profissionais formados pela Scoras Academy
  • Cases reais de aplicação em empresas — o curso “Cases Scoras Digital” documenta como a metodologia foi aplicada para resolver desafios reais em diferentes contextos corporativos
  • Criado por especialista ativo no mercado — Anderson Amaral não é apenas educador; o conteúdo é construído a partir de experiência prática em projetos de IA com empresas reais

Sobre Anderson Amaral:

 

Anderson Amaral é especialista em ciência de dados e inteligência artificial com atuação direta em projetos com empresas de grande porte. É fundador da Scoras Academy e da Scoras Digital — consultoria de IA que aplica as mesmas tecnologias ensinadas nos cursos em desafios reais de empresas. Seus alunos estão em PicPay, Itaú, BTG, Nubank, Stone, Deloitte, Santander, Telefônica e outras organizações de referência no mercado de dados.

 

Seu diferencial como educador é a capacidade de ensinar conceitos altamente técnicos com clareza e orientação prática — o que os próprios alunos descrevem como “aprofundado e técnico como deveria, com exemplos práticos e referências realmente ricas.”


Por que comprar em maxcursospro.com?

 

  • Preço acessível
  • Acesso ao curso completo com todos os módulos e materiais incluídos
  • Conteúdo organizado e fácil de acessar no computador, celular, TV ou tablet
  • Materiais complementares junto com as aulas
  • Atualizações futuras sem pagar mais nada

Estrutura resumida do curso:

 

  • Python para Iniciantes em IA — base de programação para quem nunca codou, com foco direto em IA desde o início
  • Introdução a LLMs e Fundamentos Técnicos de LLMs — do que são os modelos de linguagem à arquitetura técnica interna: tokenização, embeddings, inferência e fine-tuning
  • Introdução a SLMs — modelos de linguagem leves e eficientes para aplicações com alto desempenho, baixo custo e controle total
  • Fundamentos de RAG — como construir sistemas que combinam busca e geração para responder com base em documentos reais
  • Projetos Práticos de IA 1.0 e 2.0 — construção de agentes reais com LangGraph, DuckDB, MongoDB, NL2SQL e frameworks modernos com código completo
  • Model Context Protocol — De A a Z e AWS — o protocolo padrão para integração de LLMs com ferramentas externas, aplicado em ambiente de nuvem real
  • PydanticAI e LangGraph — frameworks específicos para desenvolvimento de agentes estruturados, seguros e escaláveis
  • Cases Scoras Digital + De Gargalos a Agentes — aplicação real da metodologia em empresas e curso de automação com IA para líderes e times técnicos
Mostrar mais

Scoras Academy

Conteúdo do Curso

  • 16 MÓDULOS
  • 191 AULAS
  • DURAÇÃO TOTAL36:29:35
    • Aula 1 - Apresentação00:27:28
    • Aula 1 - Introdução aos LLMs00:14:01
    • Aula 2 - Principais Aplicações de LLMs00:08:24
    • Aula 3 - Como LLMs funcionam00:09:07
    • Aula 1 - Case Qualificação de Leads00:08:52
    • Aula 2 - Case Avaliação de Vendedores de um Call Center00:09:58
    • Aula 3 - Case Solução para Ruptura em um Rede de Supermercados00:11:01
    • Aula 4 - Case RAG Multimodal Universidade dos EUA00:10:12
    • Aula 5 - Case RAG Agêntico Para Gestão de Contratos00:10:08
    • Aula 6 - Case Análise de Contratos Jurídicos com IA00:06:55
    • Aula 7 - Case Seguradora Dados Climáticos00:08:46
    • Aula 1 - Visão Geral00:02:51
    • Aula 2 - Arquitetura de Transformadores (Transformers)00:09:11
    • Aula 3 - Como Funcionam os Transformadores00:08:44
    • Aula 4 - Mecanismo de Atenção (Self-Attention) e sua Importância00:04:46
    • Aula 5 - Exemplos de Self-Attention00:11:33
    • Aula 6 - Treinamento de LLMs00:07:57
    • Aula 7 - Conceitos de Overfitting, Underfitting e Regularização00:13:11
    • Aula 8 - Módulo Especial Seria o Early Stopping um tipo de regularização00:14:31
    • Aula 9 - Alucinações em LLMs00:09:04
    • Aula 10 - Por que ocorrem alucinações00:11:19
    • Aula 1 - Parte 1 DeepSeek A Inovação que Desafia os Paradigmas da IA00:10:29
    • Aula 2 - Parte 2 DeepSeek A Inovação que Desafia os Paradigmas da IA00:14:30
    • Aula 3 - Parte 3 DeepSeek A Inovação que Desafia os Paradigmas da IA00:13:19
    • Aula 4 - DeepSeek API Setup00:13:34
    • Aula 5 - Setup DeepSeek R1 Ollama00:14:58
    • Aula 1 - Visão Geral00:02:52
    • Aula 2 - Setup LangGraph00:11:47
    • Aula 3 - Grafo00:10:00
    • Aula 4 - Falando de Cadeias00:10:33
    • Aula 5 - Roteadores00:08:53
    • Aula 6 - Agente Simples Com Roteamento00:06:37
    • Aula 7 - Agente com Memória00:09:38
    • Aula 8 - Schema de Estado00:13:37
    • Aula 9 - Reducers de Estado00:12:44
    • Aula 10 - Schemas Múltiplos00:07:29
    • Aula 11 - Filtrando e cortando reduzindo mensagens00:10:45
    • Aula 12 - Streaming, Interrupção e Human-In-Loop No LangGraph00:12:33
    • Aula 13 - Pontos de Interrupção (Breakpoints)00:10:50
    • Aula 14 - Editando o Estado do Grafo com FeedBack Humano00:12:53
    • Aula 15 - Pontos de Interrupção Dinâmicos00:08:17
    • Aula 16 - Viagem no Tempo00:11:23
    • Aula 17 - Paralelização00:15:00
    • Aula 18 - Sub-Grafos00:13:59
    • Aula 19 - Verificando os Sub-Grafos no Langsmith00:05:23
    • Aula 20 - MapReduce00:13:25
    • Aula 21 - Parte 1 Assistente de Pesquisa Final00:14:39
    • Aula 22 - Parte 2 Assistente de Pesquisa Final00:15:00
    • Aula 1 - Visão Geral00:07:25
    • Aula 2 - Fundamentos dos Modelos de Linguagem00:14:04
    • Aula 3 - Arquiteturas Modernas de Small Language Models00:26:47
    • Aula 4 - Técnicas de Compressão e Otimização00:25:39
    • Aula 5 - Setup00:05:57
    • Aula 6 - Comandos básicos do Ollama00:06:50
    • Aula 7 - Ollama with Qwen2.500:05:54
    • Aula 8 - Setup - Ollama no Colab com Qwen2.500:14:23
    • Aula 9 - Desenvolvimento e Treinamento de SLMs00:28:29
    • Aula 10 - Exemplo de Código - Limpeza e Normalização de Texto00:06:53
    • Aula 11 - Treinamento de Modelos de Linguagem00:06:03
    • Aula 12 - Exemplo de Código Fine-Tuning com LoRA00:09:59
    • Aula 13 - Exemplo Simples de QLoRA, do Início ao Fim00:09:04
    • Aula 14 - Parte 1 Ferramentas e Plataformas para Small Language Models00:23:21
    • Aula 15 - Parte 2 Ferramentas e Plataformas para Small Language Models00:26:01
    • Aula 16 - HuggingFace Transformers-Groq- Pequenos Modelos-Tensor-Pytorch00:14:26
    • Aula 17 - Nvidia Ferramentas e Conceitos00:08:07
    • Aula 1 - Visão Geral00:05:49
    • Aula 2 - Agente Avaliador de Correção Gramatical e Coesão Textual00:11:19
    • Aula 3 - Classificador de Texto, Extrator de Entidades e Sumarizador00:13:55
    • Aula 4 - Agente de Suporte ao Cliente com LangGraph00:10:09
    • Aula 5 - NL2SQL00:13:34
    • Aula 6 - Agente de IA com DuckDB e LangGraph00:14:55
    • Aula 7 - Agente Duck com Croq e sem LangGraph00:11:28
    • Aula 8 - Sistema de Triagem e Classificação de Currículos00:12:41
    • Aula 9 - AgentOps com LangGraph00:12:55
    • Aula 10 - Parte 1 MongoDB AI Agent00:15:15
    • Aula 11 - Parte 2 MongoDB AI Agent00:02:27
    • Aula 12 - Assistente de Gerenciamento de Inventário00:09:13
    • Aula 13 - RAG Agêntico com LangGraph00:15:04
    • Aula 14 - Parte 1 Ferramenta de Geração Automática de Relatórios em PDF00:10:48
    • Aula 15 - Parte 2 Ferramenta de Geração Automática de Relatórios em PDF00:11:10
    • Aula 16 - PydanticAI RAG com ChromaDB e Groq00:14:17
    • Aula 17 - RAG Busca Hibrida com BM25 e PydanticAI00:12:12
    • Aula 18 - Parte 1 MCP na pratica (Agregador de noticias)00:10:19
    • Aula 19 - Parte 2 MCP na pratica (Agregador de noticias)00:02:14
    • Aula 1 - Conceitos Básicos de RAG00:08:20
    • Aula 2 - Exemplo simples de implementação de RAG usando Python00:07:36
    • Aula 3 - Arquitetura do RAG00:05:38
    • Aula 4 - Arquitetura do RAG - Exemplo Prático00:09:15
    • Aula 1 - Introdução Técnicas Avançadas de RAG00:01:20
    • Aula 2 - Parte 1 Introdução e Limitações dos Sistemas RAG Convencionais00:07:03
    • Aula 3 - Parte 2 Introdução e Limitações dos Sistemas RAG Convencionais00:10:19
    • Aula 4 - Técnicas Avançadas de Recuperação de Informação00:10:03
    • Aula 5 - Implementação de Recuperação Neural com Representações Densas00:09:17
    • Aula 6 - Técnicas Avanças de RAG - Implementação de Pesquisa Híbrida00:09:13
    • Aula 7 - Parte 1 CRAG00:15:03
    • Aula 8 - Parte 2 CRAG00:08:50
    • Aula 9 - RAG, Prompt Caching e Abordagem Híbrida00:15:06
    • Aula 10 - Introdução ao GraphRAG00:05:37
    • Aula 11 - GraphRAG Simples00:14:12
    • Aula 12 - GraphRAG com Neo4J00:12:29
    • Aula 13 - Mostrando os Grafos no Neo4J00:03:48
    • Aula 14 - Parte 1 GraphRAG com LLM00:14:25
    • Aula 15 - Parte 2 GraphRAG com LLM00:09:19
    • Aula 16 - Parte 1 Nano-GraphRAG00:14:26
    • Aula 17 - Parte 2 Nano-GraphRAG00:14:55
    • Aula 1 - Visão Geral e Introdução00:17:40
    • Aula 2 - Instalação e Primeiros Passos00:19:22
    • Aula 3 - RAG no LangFlow00:19:29
    • Aula 4 - Introdução Agentes00:08:35
    • Aula 5 - Agentes na Prática00:09:31
    • Aula 6 - Agente Escritor De Newsletter & Atualização Do Langflow00:34:56
    • Aula 7 - Gerador de Newsletter integrado com WEB, YouTube & Scrapping no LangFlow00:41:13
    • Aula 1 - Introdução Deployment Agnóstico de Apps de IA00:12:20
    • Aula 2 - Entendendo a Arquitetura do RAG Agentico00:12:52
    • Aula 3 - Mais sobre arquitetura e detalhes do RAG Agentico00:11:25
    • Aula 4 - Docker build e docker run do RAG Agentico na AWS00:14:11
    • Aula 5 - Introdução - Assistente de Suporte Com REDIS e DuckDB, usando PydanticAI e MCP - Somente visualização00:02:59
    • Aula 6 - Parte 1 - Assistente de Suporte Com REDIS e DuckDB, usando PydanticAI e MCP - Somente visualização00:14:44
    • Aula 7 - Parte 2 - Assistente de Suporte Com REDIS e DuckDB, usando PydanticAI e MCP - Somente visualização00:07:52
    • Aula 8 - Assistente de Suporte com REDIS e DuckDB, usando PydanticAI e MCP - Analise do Banco de Suporte (Jupyter Notebook) - Somente visualização00:09:28
    • Aula 9 - Assistente de suporte com Redis e DuckDB, usando PydanticAI e MCP – script Python de geração de dados sintéticos no DuckDB – Somente visualização00:11:04
    • Aula 1 - Apresentação00:05:19
    • Aula 2 - Fundamentos do LLM Routing00:11:47
    • Aula 3 - Arquiteturas de Roteamento e Técnicas de Decisão00:12:46
    • Aula 4 - Implementação do LLM Routing – Treinamento de Routers e Seleção de Modelos00:07:34
    • Aula 5 - LLM Routing Usando RouteLLM com Modelos OpenAI00:13:24
    • Aula 6 - Métricas de Avaliação e Monitoramento Contínuo00:14:52
    • Aula 7 - Casos Práticos e Exemplos Reais00:14:45
    • Aula 8 - LLM Routing por Falha de API00:09:52
    • Aula 9 - Roteamento Hibrido Usando Controller e por Falha de API com Modelo de Fallback.mp400:13:04
    • Aula 10 - BERTSim BERT Score e MLP Router e NLL00:14:32
    • Aula 11 - BERTSim BERTScore NLL MLP Router com Chamadas Reais OpenAI e Groq00:16:52
    • Aula 1 - Introdução00:03:08
    • Aula 2 - Introdução, Arquitetura Interna do PydanticAI e Fluxo de Execução00:12:30
    • Aula 3 - Estrutura, Criação de Agentes e Conceitos Básicos00:11:06
    • Aula 4 - Injeção de Dependências e Ferramentas (Tools)00:12:37
    • Aula 5 - Execução e Iteração sobre o Grafo de Execução no PydanticAI00:14:21
    • Aula 6 - Configurações Avançadas de Model Settings e Tratamento de Erros00:12:49
    • Aula 7 - Estratégias de Retry, Autocorreção e Feedback Iterativo00:08:00
    • Aula 8 - Integração com RAG e Casos de Uso Avançados00:06:40
    • Aula 9 - Boas Práticas de Produção, Testes e Monitoramento00:14:23
    • Aula 10 - Exemplos Práticos e Casos de Uso Reais00:09:56
    • Aula 11 - Perspectivas Futuras00:13:31
    • Aula 12 - Conclusão PydanticAI00:05:24
    • Aula 1 - Introdução00:06:08
    • Aula 2 - Conceitos Fundamentais de MCP00:11:42
    • Aula 3 - Parte 1 Integrando com um agente PydanticAI (cliente MCP)00:11:01
    • Aula 4 - Parte 2 Integrando com um agente PydanticAI (cliente MCP)00:08:42
    • Aula 5 - Parte 3 Integrando com um agente PydanticAI (cliente MCP)00:05:40
    • Aula 6 - Introdução ao PydanticAI (Framework de Agentes de IA)00:14:16
    • Aula 7 - Introdução ao Langgraph Orquestrando Fluxos de Agentes00:14:36
    • Aula 8 - Parte 1 Escrevendo um servidor MCP simples00:03:33
    • Aula 9 - Parte 2 Escrevendo um servidor MCP simples00:02:03
    • Aula 10 - Parte 1 - Escrevendo um servidor MCP simples com o SDK Python Oficial do MCP00:07:41
    • Aula 12.1 - Parte 1 - História de Pokémon (Groq + MCP)00:08:35
    • Aula 12.2 - Parte 1 - História de Pokémon (Groq + MCP)00:07:41
    • Aula 13 - Parte 2 - História de Pokémon (Groq + MCP)00:08:49
    • Aula 14 - Parte 1 - Combinações Poderosas – Usando Múltiplos Servidores MCP00:11:02
    • Aula 15 - Parte 2 - Combinações Poderosas – Usando Múltiplos Servidores MCP00:11:56
    • Aula 16 - Parte 3 - Combinações Poderosas – Usando Múltiplos Servidores MCP00:14:26
    • Aula 17 - Parte 1 - Chatbot Multi-MCP Local (Groq)00:11:51
    • Aula 18 - Parte 2 - Chatbot Multi-MCP Local (Groq)00:13:55
    • Aula 19 - Boas Práticas na Implementação de Servidores MCP00:14:44
    • Aula 20 - Ecossistema MCP - SDKs e Servidores da Comunidade00:13:13
    • Aula 1 - Apresentação00:04:05
    • Aula 2 - Parte 1 Aula 000:14:41
    • Aula 3 - Parte 2 Aula 000:08:39
    • Aula 4 - Docker Install (Windows)00:12:55
    • Aula 5 - CUDA + PyTorch00:14:58
    • Aula 6 - Introdução ao Python e Google Colab00:04:46
    • Aula 7 - Operações, Estruturas de Controle e Funções00:06:42
    • Aula 8 - Manipulação de Dados com Pandas no Colab00:06:44
    • Aula 9 - Limpeza e Pre-Processamento de Dados00:09:13
    • Aula 10 - Introdução à Criação de Gráficos com Seaborn e Outras Bibliotecas com Pandas00:08:54
    • Aula 11 - Inferência Bayesiana00:15:09
    • Aula 12 - Parte 1 Introdução às Séries Temporais00:12:30
    • Aula 13 - Parte 2 Introdução às Séries Temporais00:11:26
    • Aula 14 - Parte 1 Introdução à Modelagem Supervisionada - Regressão00:10:05
    • Aula 15 - Parte 2 Introdução à Modelagem Supervisionada - Regressão00:08:51
    • Aula 16 - Parte 1 Introdução à Modelagem Supervisionada - Classificação00:08:30
    • Aula 17 - Parte 2 Introdução à Modelagem Supervisionada - Classificação00:11:32
    • Aula 18 - Parte 1 Introdução à Modelagem Não-supervisionada00:10:58
    • Aula 19 - Parte 2 Introdução à Modelagem Não-supervisionada00:13:36
    • Aula 20 - Introdução Básica à NLP00:14:03
    • Aula 21 - Case Lei de Benford00:09:45
    • Aula 22 - Case Lei de Zipft00:14:27
    • Aula 23 - Introdução às APIs de LLMs open source com Groq00:14:56
    • Aula 24 - Parte 1 AutoML00:15:04
    • Aula 25 - Parte 2 AutoML00:14:54
    • Aula 26 - Parte 3 AutoML00:15:10
    • Aula 27 - Conclusão00:10:09

Conteúdo do curso

Scoras Academy

  • Acessar curso

Canal no Telegram