Aller au contenu principal
Mouhssine Lakhili

Projet personnel de montée en compétence

Accessly

Projet d'accès événementiel et de billetterie temps réel utilisé pour pratiquer .NET, C#, Angular, SignalR et SQL Server via un projet personnel sérieux.

Comment c'est construit

  1. Interface Angular
  2. API ASP.NET Core, CQRS
  3. Temps réel SignalR
  4. Données SQL Server, Redis, RabbitMQ

Stack

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

  1. Contexte

    Accessly est un projet personnel récent conçu pour explorer une stack .NET/Angular de style entreprise via un domaine d'accès événementiel et de billetterie.

  2. Problème

    Le projet sert à pratiquer l'architecture backend, les flux temps réel et un frontend typé sans présenter .NET/Angular comme expérience professionnelle.

  3. Solution

    L'implémentation combine ASP.NET Core, Angular, SignalR, SQL Server et des exemples messaging/cache pour modéliser un workflow d'accès temps réel.

  4. Architecture

    ASP.NET Core porte l'API et la logique domaine, Angular porte l'interface, SignalR supporte les interactions temps réel, et SQL Server/Redis/RabbitMQ apparaissent comme éléments d'architecture du projet.

  5. Résultat

    Le résultat est un projet d'apprentissage de niveau portfolio qui montre une pratique .NET et Angular structurée, sans revendiquer de KPI de production.

Ce projet vous parle ?

Je suis disponible pour un CDI et pour des missions freelance. Parlons de votre équipe ou de votre projet.

Autres études de cas

  • Plateforme

    OpsPilot — Étude de cas

    Projet personnel de montée en compétence autour de la gestion d'incidents et du FinOps, construit avec Java, Spring Boot et Next.js, avec des exemples Kubernetes/Terraform au niveau exploration.

    1. Interface Next.js
    2. Services Java, Spring Boot
    3. Données PostgreSQL, Redis
    4. Exploitation Kubernetes, Terraform, Prometheus, Grafana (exemples)
    Code source
  • Data

    IA-AirBnB — Étude de cas

    Un pipeline data science pour prédire les prix Airbnb à partir de données de Lyon et Paris, avec prétraitement, analyse, gestion des valeurs aberrantes, séparation train/test et modèles de régression linéaire.

    1. Données brutes Annonces de Lyon et Paris
    2. Nettoyage Pandas, valeurs aberrantes
    3. Modèle Scikit-learn, régression linéaire
    4. Évaluation Séparation train/test
    Code source