Ir al contenido principal
Mouhssine Lakhili

Proyecto personal de subida de nivel

Accessly

Proyecto de acceso a eventos y ticketing en tiempo real usado para practicar .NET, C#, Angular, SignalR y SQL Server mediante un proyecto personal serio.

Cómo está construido

  1. Interfaz Angular
  2. API ASP.NET Core, CQRS
  3. Tiempo real SignalR
  4. Datos SQL Server, Redis, RabbitMQ

Stack

C#, .NET, ASP.NET Core, Entity Framework Core, Angular, CQRS, SignalR, SQL Server, Redis, RabbitMQ, xUnit, Playwright

  1. Contexto

    Accessly es un proyecto personal reciente diseñado para explorar un stack .NET/Angular de estilo empresarial mediante un dominio de acceso a eventos y ticketing.

  2. Problema

    El proyecto sirve para practicar arquitectura backend, flujos en tiempo real y frontend tipado sin presentar .NET/Angular como experiencia profesional.

  3. Solución

    La implementación combina ASP.NET Core, Angular, SignalR, SQL Server y ejemplos messaging/cache para modelar un workflow de acceso en tiempo real.

  4. Arquitectura

    ASP.NET Core gestiona API y lógica de dominio, Angular la interfaz, SignalR las interacciones en tiempo real, y SQL Server/Redis/RabbitMQ aparecen como elementos de arquitectura del proyecto.

  5. Resultado

    El resultado es un proyecto de aprendizaje de nivel portfolio que muestra práctica .NET y Angular estructurada, sin afirmar KPIs de producción.

¿Te interesa este proyecto?

Estoy disponible para un CDI y para misiones freelance. Hablemos de tu equipo o de tu proyecto.

Otros casos de estudio

  • Plataforma

    OpsPilot — Caso de estudio

    Proyecto personal de subida de nivel sobre gestión de incidentes y FinOps, creado con Java, Spring Boot y Next.js, con ejemplos Kubernetes/Terraform en nivel exploración.

    1. Interfaz Next.js
    2. Servicios Java, Spring Boot
    3. Datos PostgreSQL, Redis
    4. Operación Kubernetes, Terraform, Prometheus, Grafana (ejemplos)
    Código fuente
  • Datos

    IA-AirBnB — Caso de estudio

    Un pipeline de ciencia de datos para predecir precios de Airbnb con datos de Lyon y París, con preprocesamiento, análisis, outliers, división train/test y modelos de regresión lineal.

    1. Datos brutos Anuncios de Lyon y París
    2. Limpieza Pandas, valores atípicos
    3. Modelo Scikit-learn, regresión lineal
    4. Evaluación División train/test
    Código fuente